論文の概要: Artificial intelligence for science: The easy and hard problems

• arxiv url: http://arxiv.org/abs/2408.14508v1
• Date: Sat, 24 Aug 2024 18:22:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 18:01:37.413762
• Title: Artificial intelligence for science: The easy and hard problems
• Title（参考訳）: 科学のための人工知能:簡単で難しい問題
• Authors: Ruairidh M. Battleday, Samuel J. Gershman,
• Abstract要約: 我々は科学者の認知科学を研究し、人間がどのように難しい問題を解くかを理解する。 結果を用いて、科学パラダイムを自動推論し、更新する新しい計算エージェントを設計する。
• 参考スコア（独自算出の注目度）: 1.8722948221596285
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A suite of impressive scientific discoveries have been driven by recent advances in artificial intelligence. These almost all result from training flexible algorithms to solve difficult optimization problems specified in advance by teams of domain scientists and engineers with access to large amounts of data. Although extremely useful, this kind of problem solving only corresponds to one part of science - the "easy problem." The other part of scientific research is coming up with the problem itself - the "hard problem." Solving the hard problem is beyond the capacities of current algorithms for scientific discovery because it requires continual conceptual revision based on poorly defined constraints. We can make progress on understanding how humans solve the hard problem by studying the cognitive science of scientists, and then use the results to design new computational agents that automatically infer and update their scientific paradigms.
• Abstract（参考訳）: 人工知能の最近の進歩によって、科学的な発見が目覚ましいものとなりました。 これらはほとんどすべて、大量のデータにアクセス可能なドメイン科学者とエンジニアのチームによって事前に特定された難しい最適化問題を解決するために、柔軟なアルゴリズムをトレーニングした結果である。 非常に有用ではあるが、この種の問題解決は科学の1つの部分、すなわち「簡単な問題」にしか対応しない。 科学研究のもう1つの部分は、その問題そのもの、すなわち「ハード問題」を思い浮かび上がっている。 難しい問題の解決は、未定義の制約に基づいて連続的な概念修正を必要とするため、科学的な発見のための現在のアルゴリズムの能力を超える。 我々は、科学者の認知科学を研究することによって、人間がどのように難しい問題を解くかを理解し、その結果を使って、科学パラダイムを自動推論し更新する新しい計算エージェントを設計することができる。

関連論文リスト

• SciCode: A Research Coding Benchmark Curated by Scientists [37.900374175754465]
  言語モデル(LM)は、多くの挑戦的なタスクにおいて平均的な人間よりも優れており、挑戦的で高品質で現実的な評価を開発することはますます困難になっている。 このベンチマークには数学、物理学、化学、生物学、材料科学といった問題が含まれています。 クロード3.5-ソネット(Claude3.5-Sonnet)は、最も現実的な環境では、問題の4.6%しか解決できない。
  論文  参考訳（メタデータ） (2024-07-18T05:15:24Z)
• Scalable Artificial Intelligence for Science: Perspectives, Methods and Exemplars [0.15705429611931054]
  複雑な問題に対処するためには,高性能コンピューティングプラットフォーム上での人工知能のスケールアップが不可欠である。 この視点は、認知シミュレーション、科学調査のための大規模言語モデル、医療画像分析、物理インフォームドアプローチといった科学的ユースケースに焦点を当てている。
  論文  参考訳（メタデータ） (2024-06-24T20:29:29Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
  数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
  論文  参考訳（メタデータ） (2023-10-19T02:00:31Z)
• Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
  科学のためのAI(AI4Science)として知られる新しい研究領域 領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。 主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
  論文  参考訳（メタデータ） (2023-07-17T12:14:14Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Reliable AI: Does the Next Generation Require Quantum Computing? [71.84486326350338]
  デジタルハードウェアは、最適化、ディープラーニング、微分方程式に関する問題の解決に本質的に制約されていることを示す。 対照的に、Blum-Shub-Smale マシンのようなアナログコンピューティングモデルは、これらの制限を克服する可能性を示している。
  論文  参考訳（メタデータ） (2023-07-03T19:10:45Z)
• Mathematics, word problems, common sense, and artificial intelligence [0.0]
  本稿では,基本知識とコモンセンス推論を組み合わせた単語問題の解法として,現在の人工知能(AI)技術の能力と限界について論じる。 我々は、AI自然言語技術を用いて開発されている3つのアプローチについてレビューする。 純粋な数学的研究のためのAI技術を開発する上で、このような制限が重要であるかどうかは明らかではない、と我々は主張する。
  論文  参考訳（メタデータ） (2023-01-23T21:21:39Z)
• Can You Learn an Algorithm? Generalizing from Easy to Hard Problems with Recurrent Networks [47.54459795966417]
  単純な問題を解くために訓練されたリカレントネットワークは、推論中に追加の繰り返しを実行するだけで、はるかに複雑な問題を解くことができることを示す。 これら3つのドメインすべてにおいて、単純な問題インスタンスに基づいてトレーニングされたネットワークは、単に"もっと長く考える"ことで、テスト時に推論能力を拡張することができる。
  論文  参考訳（メタデータ） (2021-06-08T17:19:48Z)
• Qualities, challenges and future of genetic algorithms: a literature review [0.0]
  遺伝的アルゴリズムは自然進化をシミュレートするコンピュータプログラムである。 ニューラルネットワークアーキテクチャ探索から戦略ゲームまで,さまざまな最適化問題の解決に使用されている。 GPU、並列コンピューティング、量子コンピューティングなどの最近の発展、強力なパラメータ制御法の概念、表現戦略における新しいアプローチは、それらの限界を克服するための鍵となるかもしれない。
  論文  参考訳（メタデータ） (2020-11-05T17:53:33Z)
• When we can trust computers (and when we can't) [0.0]
  理論上は比較的単純でしっかりと根ざした科学と工学の分野において、これらの手法は確かに強力である。 ビッグデータと機械学習の台頭は、真の説明力に欠けながら、計算に新たな課題をもたらす。 長期的には、デジタル計算に現在置かれている過度な信頼を誘惑するために、アナログ手法に重点を置く必要がある。
  論文  参考訳（メタデータ） (2020-07-08T08:55:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。